Arrays 用另一个列表（也就是数组）缩放（n元组或列表）列表的惯用F#方法是什么？

给定：

let weights = [0.5;0.4;0.3]
let X = [[2;3;4];[7;3;2];[5;3;6]]

我想要的是：

wX=[（0.5）*[2；3；4]；（0.4）*[7；3；2]；（0.3）*[5；3；6]

---

想知道一种优雅的方法来处理列表和数组。如果我理解正确，欢迎提供其他优化信息

let wX = weights |> List.map (fun w ->
    X |> List.map (fun (a, b, c) ->
        w * float a,
        w * float b,
        w * float c))

---

您编写了一个列表列表，但代码显示了一个元组列表。如果能够自由地对此进行调整，解决方案将是

let weights = [0.5;0.4;0.3]
let X = [[2;3;4];[7;3;2];[5;3;6]]
X
|> List.map2 (fun w x -> 
    x 
    |> List.map (fun xi -> 
        (float xi) * w
    )
) weights

根据您对语法的熟悉程度，您可能更喜欢像

List.map2 (fun w x -> List.map (float >> (*) w) x) weights X

---

序列（

Seq.map2

，

Seq.map

）和数组（在

Array

模块中）存在相同的库函数.

这不仅仅是对特定问题的回答，但在评论中聊天并了解到该问题是F#中神经网络的一部分后，我发布了这篇文章，其中涵盖了该问题并实现了神经网络的前馈部分。它利用

这段代码是对源代码的部分Python代码的F#翻译

python

def backprop（self，x，y）：
“Return a tuple``（nabla\u b，nabla\u w）``表示
成本函数C_x的梯度，`nabla_b``和
``nabla_w``是numpy数组的逐层列表，类似于
到“自我偏见”和“自我权重”
nabla_b=[b在自偏压中的np.Zero（b.shape）]
nabla_w=[np.零（w.形状）表示自权重中的w]
#前馈
激活=x
activations=[x]#列出以逐层存储所有激活
zs=[]#列出以逐层存储所有z向量
对于拉链中的b、w（自偏压、自重量）：
z=np.点（w，活化）+b
附加（z）
激活=乙状结肠（z）
activations.append（激活）

F# 首先，X的值需要转换为float

let x1 = [[2.0;3.0;4.0];[7.0;3.0;2.0];[5.0;3;0;6;0]]

现在请注意x1是一个矩阵，权重是一个向量

所以我们可以乘

 let wx1 = weights * x1

因为我验证代码的方法比大多数方法都要复杂一些，所以我将对其进行解释，这样您就不会对其有效性产生怀疑

当使用神经网络，特别是小批量时，权重和偏差的起始数字是随机的，小批量的生成也是随机的

我知道最初的Python代码是有效的，我能够成功地运行它，并获得与书中所示相同的结果，这意味着最初的成功与书中的成功相差不到百分之几，并且成功的图表是相同的。正如书中所讨论的那样，我对神经网络进行了多次运行和配置。然后我运行了F#代码，得到了相同的图形

我还将Python代码中的起始随机数集复制到F#代码中，这样，虽然生成的数据是随机的，但Python和F#代码都使用相同的起始数，其中有数千个。然后，我单步执行Python和F#代码，以验证每个单独的函数是否返回了一个可比较的浮点值，例如，我在每一行上放置了一个断点，并确保检查了每一行。这实际上花了几天时间，因为我必须编写导出和导入代码，并将数据从Python传递到F#

见：

---

---

我还尝试了一种变体，用链表替换了F#list，但没有发现速度有所提高，例如

LinkedList

。这是一个有趣的练习。

这是使用Math.Net实现这一点的另一种方法：

你的意思是0.5*[2 3 4]？“[2,3,4；7,3,2；5,3,6]”不是列表。这是一个三元组列表，

int*int*int

这是用于神经网络的吗？如果是这样的话，你可能想看看使用的矩阵函数，我偷偷看了看你的个人资料，看到你正在使用机器学习。请注意，很多神经网络都是用Python完成的，Python也有，这使得在Python中使用不同大小的矩阵很容易，但在F#中就更难了。因此，当您使用sigmoid函数分割X时，您可能会感兴趣，您可以使用let chunkedWeights=weights |>Seq.chunkBySize 3thanks，但是，如果X是nxn而不是3x3呢？那么它应该是一个列表而不是元组，@Anton的答案已经解决了这个问题。list.map2 FTW！：）感谢您纠正我的问题，也很高兴看到双重方法，您已经回答了我的问题两次：）顺便说一句，我想知道是否有一个库可以轻松执行标准矩阵运算，如缩放、线性和等，就像R或Matlab一样，这种方法似乎非常复杂，将重点从what to how上移开。MSDN有一个概览列表，这篇文章是从2010年开始的，但是一些库仍然存在。我听说了一些好东西，但我自己没有用过。你用_uu.Foo作为惯例吗？@D.S.不，

\u uuu.Foo

是一个成员的例子。请看：我很少在函数代码中使用成员，但我在这里这样做是因为当我翻译时，我希望代码尽可能接近原始代码。我也避免像瘟疫一样的可变项，但这里有数千个可变项作为矩阵的一部分。就像诗歌一样，在你理解规则之前，你是不允许违反规则的。@D.s.就像我一年前做的那样，这本书是一本活生生的书，看起来这本书有些地方已经改变了。我将不得不重新阅读它，看看更新了什么。@D.S.我添加了更多的代码以将实例放到上下文中。我知道这很难说，但如果你在

weight*激活后单击我答案中的
*
，你会看到它是指向你刚刚发布的内容的链接。啊，差点错过了那个链接。顺便说一句，你的扩展是一个令人惊讶的解释。非常感谢。谢谢。我计划在GitHub上把整本书翻译成F#，但我仍然要做卷积神经网络，而将其翻译成F#比第一部分要复杂一些。演习后,
let x1 = [[2.0;3.0;4.0];[7.0;3.0;2.0];[5.0;3;0;6;0]]

 let wx1 = weights * x1